Libri UniversitariZoom 100%

Prof. Matteo Francia: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 3
Bologna 3 insegnamenti
Facoltà: Ingegneria e architettura

Prof. Matteo Francia: Machine Learning And Data Mining

4,1difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria e scienze informatiche - sede di Cesena (LM-18)
Di cosa si tratta: Apprendimento supervisionato e non supervisionato, classificazione e regressione, clustering e regole associative sono i temi del machine learning. Modelli basati sulle istanze, come k-NN, vengono confrontati con approcci basati su modelli, tra alberi decisionali, random forest e reti neurali. Un secondo ambito riguarda lo sviluppo centrato sui dati, la qualità dei dati, la profilazione e l'analisi esplorativa.

Dettagli corso

Tempo di studio e official info

Tempo consigliato per preparare l’esame: ≈ 6,5 settimane
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Pang-Ning Tan – Vipin Kumar Introduction to Data MiningISBN 9789332571402
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
4,1
Géron – O'Reilly Media, IncISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
4,1
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Manuale di Python
Cerca su Amazon

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Qual e la differenza tra apprendimento supervisionato e non supervisionato?
  2. Come si individua l'overfitting confrontando l'errore di training con quello di validazione?
  3. Che cosa misura il compromesso tra bias e varianza?
  4. Come si costruisce un albero decisionale con il criterio del guadagno di informazione?
  5. Quando conviene usare i k-nearest neighbors per la classificazione?
  6. Come funziona il classificatore naive Bayes sotto l'ipotesi di indipendenza?
  7. Che cosa fanno le regolarizzazioni Ridge e Lasso su un modello lineare?
  8. Come si sceglie il numero di cluster in k-means?
  9. Che differenza c'e tra clustering gerarchico e DBSCAN?
  10. Come lavora la PCA per ridurre la dimensionalita dei dati?
  11. Quali indici misurano le regole di associazione con supporto, confidenza e lift?
  12. Come l'algoritmo Apriori genera gli insiemi frequenti?
  13. Perche il bagging riduce la varianza di un modello?
  14. Come il boosting combina classificatori deboli in un unico predittore?
  15. Che cos'e la matrice di confusione e quali metriche ne derivano?
  16. Come si interpreta una curva ROC e l'area sottesa a essa?
  17. Quando la validazione incrociata e piu affidabile di un singolo split?
  18. Come funziona il kernel trick nelle macchine a vettori di supporto?
  19. Quali vantaggi offre la selezione delle caratteristiche prima dell'addestramento?
  20. Come si valuta un modello quando le classi sono molto sbilanciate?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Facoltà: Economia e management

Prof. Matteo Francia: Big Data And Cloud Platforms

5,4difficoltà
Bologna · Facoltà: Economia e management · Digital Transformation Management - sedi di Cesena e Forlì (LM-91)
Di cosa si tratta: Architetture e paradigmi per i big data: infrastrutture hardware e architetture software, archiviazione in file system distribuiti e database NoSQL, paradigma MapReduce, progettazione e ottimizzazione di applicazioni con Apache Spark e algoritmi per flussi di dati. Si passa poi al cloud, dai database agli ecosistemi di dati integrati, con definizione e tassonomia dei servizi e le principali piattaforme.
🕒 Orario lezioni
  • Mar11–13LAB. 3.3

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
The slides contain the material necessary for studying the subject.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 5 libri
Ian Foster – Cloud Computing for Science and EngineeringISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Zburivsky – And Lynda PartnerISBN 9781617296444
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Tom White. Hadoop - The Definitive Guide (4thISBN 9780596521974
Tempo di studio del libro≈ 5,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
501 pagine
Difficoltà
5,4
Matei Zaharia – 2nd EditionISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Andrew – Streaming DataISBN 9781617292286
Tempo di studio del libro≈ 2 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
195 pagine
Difficoltà
5,4
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Può servirti
Manuale di Python

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Che cosa si intende per big data e quali caratteristiche li definiscono?
  2. Quali differenze esistono tra cloud pubblico, privato e ibrido?
  3. Come funziona il paradigma MapReduce per l'elaborazione distribuita dei dati?
  4. Quali servizi offre il cloud computing nei modelli IaaS, PaaS e SaaS?
  5. In che modo un data lake si distingue da un data warehouse?
  6. Quali tecnologie permettono l'elaborazione di flussi di dati in tempo reale?
  7. Come si garantisce la sicurezza dei dati archiviati in un cloud?
  8. Quali vantaggi offre la scalabilità orizzontale nelle piattaforme di big data?
  9. Come si progetta una pipeline di dati dalla raccolta all'analisi?
  10. Quali problemi di qualità dei dati emergono nei grandi volumi di informazioni?
  11. In che modo la virtualizzazione supporta l'infrastruttura cloud?
  12. Quali considerazioni di costo influenzano la scelta di una piattaforma cloud?
  13. Come si applicano le tecniche di machine learning a grandi insiemi di dati?
  14. Quali strumenti di visualizzazione aiutano a comunicare risultati di analisi dei dati?
  15. Quali implicazioni giuridiche comporta la conservazione dei dati in cloud?
  16. Come si confrontano i database distribuiti con quelli centralizzati?
  17. Quali sono i principali rischi di vendor lock-in nelle piattaforme cloud?
  18. In che modo la replicazione dei dati migliora la disponibilità del servizio?
  19. Come si valuta la sostenibilità energetica dei data center?
  20. Quali competenze sono necessarie per gestire un progetto basato su big data?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Matteo Francia: Machine Learning And Data Mining

4,1difficoltà
Bologna · Facoltà: Economia e management · Digital Transformation Management - sedi di Cesena e Forlì (LM-91)
Di cosa si tratta: Apprendimento supervisionato e non supervisionato, classificazione e regressione, clustering e regole associative sono i temi del machine learning. Modelli basati sulle istanze, come k-NN, vengono confrontati con approcci basati su modelli, tra alberi decisionali, random forest e reti neurali. Un secondo ambito riguarda lo sviluppo centrato sui dati, la qualità dei dati, la profilazione e l'analisi esplorativa.

Tempo di studio e official info

Tempo consigliato per preparare l’esame: ≈ 6,5 settimane
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Pang-Ning Tan – Vipin Kumar Introduction to Data MiningISBN 9789332571402
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
4,1
Géron – O'Reilly Media, IncISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
4,1
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Manuale di Python

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Qual e la differenza tra apprendimento supervisionato e non supervisionato?
  2. Come si individua l'overfitting confrontando l'errore di training con quello di validazione?
  3. Che cosa misura il compromesso tra bias e varianza?
  4. Come si costruisce un albero decisionale con il criterio del guadagno di informazione?
  5. Quando conviene usare i k-nearest neighbors per la classificazione?
  6. Come funziona il classificatore naive Bayes sotto l'ipotesi di indipendenza?
  7. Che cosa fanno le regolarizzazioni Ridge e Lasso su un modello lineare?
  8. Come si sceglie il numero di cluster in k-means?
  9. Che differenza c'e tra clustering gerarchico e DBSCAN?
  10. Come lavora la PCA per ridurre la dimensionalita dei dati?
  11. Quali indici misurano le regole di associazione con supporto, confidenza e lift?
  12. Come l'algoritmo Apriori genera gli insiemi frequenti?
  13. Perche il bagging riduce la varianza di un modello?
  14. Come il boosting combina classificatori deboli in un unico predittore?
  15. Che cos'e la matrice di confusione e quali metriche ne derivano?
  16. Come si interpreta una curva ROC e l'area sottesa a essa?
  17. Quando la validazione incrociata e piu affidabile di un singolo split?
  18. Come funziona il kernel trick nelle macchine a vettori di supporto?
  19. Quali vantaggi offre la selezione delle caratteristiche prima dell'addestramento?
  20. Come si valuta un modello quando le classi sono molto sbilanciate?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Scorri di lato: 2 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Matteo Francia a Bologna

Che libro usa il prof. Matteo Francia per Machine Learning And Data Mining a Bologna?

Per Machine Learning And Data Mining (Canale unico) indica come obbligatorio: Pang-Ning Tan – Vipin Kumar Introduction to Data Mining, Géron – O'Reilly Media, Inc.

Quanto è impegnativo Machine Learning And Data Mining?

6 CFU, difficoltà stimata 4.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Matteo Francia per Big Data And Cloud Platforms a Bologna?

Per Big Data And Cloud Platforms (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Ian Foster – Cloud Computing for Science and Engineering, Zburivsky – And Lynda Partner, Tom White. Hadoop - The Definitive Guide (4th, Matei Zaharia – 2nd Edition, Andrew – Streaming Data.

Quanto è impegnativo Big Data And Cloud Platforms?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Matteo Francia per Machine Learning And Data Mining a Bologna?

Per Machine Learning And Data Mining (Canale unico) indica come obbligatorio: Pang-Ning Tan – Vipin Kumar Introduction to Data Mining, Géron – O'Reilly Media, Inc.

Quanto è impegnativo Machine Learning And Data Mining?

6 CFU, difficoltà stimata 4.1 su 10 rispetto agli esami della stessa area.

Dove trovo la scheda ufficiale di un esame?

Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.

Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.